MétaCan
Menu
Retour à la cohorte
Enregistrement W3196716528 · doi:10.5430/rwe.v12n4p38

Investigating the Relationship Between Country Competitiveness and Financial Market Development in Times of Crisis

2021· article· en· W3196716528 sur OpenAlexvenueno aff
George Galanos, Thomas Poufinas, Charalampos Agiropoulos

Notice bibliographique

RevueResearch in World Economy · 2021
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueGlobal Trade and Competitiveness
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPer capitaIndex (typography)Financial crisisEconomicsCorporate governanceFinancial marketBusinessFinancial systemFinanceMacroeconomics

Résumé

récupéré en direct d'OpenAlex

A country’s competitiveness depends on many factors related to general governance, effectiveness of markets, social development, and business perspectives. The role of financial markets for economic growth has been the subject of many scientific studies; most of them concluded that a well-developed financial system should improve the efficiency of financing decisions, favouring a better allocation of resources and thereby economic growth. The financial crisis that started in the summer of 2007 is still testing the strength of the global economic system. It started in the financial sector, but is now having an important impact on the real economy. The aim of this paper is to investigate the relationship between a country’s financial market development and its competitiveness in particular in times of crisis, with the use of a series of econometric models. We find evidence that financial market development is affected (with the anticipated sign of impact) by the Global Competitiveness Index, the GDP per capita and the (un)employment level of a country. It is also related (with an unexpected direction of impact) with the foreign market size and exports, as well as infrastructure. Our findings can be used by the policymakers of countries which wish to improve their competitiveness so as to steer the determining variables in the desired directions and approach their desired competitiveness levels.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,126
Score d'incertitude au seuil0,332

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,088
Tête enseignante GPT0,305
Écart entre enseignants0,217 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueResearch in World EconomyMême sujetGlobal Trade and CompetitivenessTravaux en français237 207